面向熟悉 ESP32、FreeRTOS、DMA 与网络协议栈的工程师，
从张量、算子和内存一路走到可交付的端侧 LLM 与大规模 Infra。
这不是“在 MCU 上硬跑大模型”的速成清单，而是一条尊重设备边界、数据移动与产品 SLO 的完整工程路线。
| 🧭 完整工程链路 | 🧪 每章都能动手 | 🧠 真正形成闭环 | 🌍 双语且离线可读 |
|---|---|---|---|
| 模型 → 表示 → Runtime → Kernel → 内存/带宽 → 硬件 → 产品 | 历史脉络、类比图解、六步动画、实验、陷阱和三题测验 | 断点续学、错题复习、实验笔记、阶段徽章和随机彩蛋 | 30 个双语章节页完整预渲染，无 JavaScript 仍可读正文 |
| 阶段 | 章节 | 你将建立的能力 |
|---|---|---|
| 01 · 神经网络基础 | Day 1–3 | 张量与梯度、训练/推理、模型产物和量化 |
| 02 · 端侧部署 | Day 4–6 | 算子与 Kernel、TinyML 部署、资源预算和视觉流水线 |
| 03 · LLM 原理 | Day 7–10 | LLM 发展脉络、Tokenizer、独立的 Transformer 与 Attention 章节 |
| 04 · LLM 工程 | Day 11–15 | KV Cache、GGUF、Runtime/推理框架、跨尺度性能与产品闭环 |
展开全部 15 章目录
- 神经网络基础 — 从张量、层与损失函数建立神经网络直觉
- 训练与推理 — 把可学习状态冻结为可移植、可验证的模型产物
- 模型量化 — 用更少的 bit 换取更低的存储与带宽
- 算子与 Kernel — 从数学定义走到布局、融合与硬件执行路径
- 端侧模型部署 — 把非 LLM 视觉、音频与传感器模型真正烧进设备
- 端侧视觉流水线 — 在资源与实时约束中把摄像头帧变成稳定事件
- LLM 基础 — 从语言模型起源建立发展脉络、工作原理与关键术语地图
- Tokenizer — 理解文本如何变成模型可消费的整数流
- Transformer 架构 — 先看清整座模型，再深入 Attention 数据流
- Attention 机制 — 把序列依赖变成可并行计算的显式数据流
- KV Cache — 用会话内存复用 Decode 阶段的历史投影
- LLM 量化与 GGUF — 把低比特权重与 metadata 封装成可部署模型包
- LLM Runtime — 组织生成循环、端侧推理框架与异构 backend
- LLM 性能与 Infra — 从单机指标追到集群数据移动、拓扑与 SLO
- 端侧 LLM 产品化 — 收束模型、硬件、安全边界与运营证据
每章的三题测验全对后，会从该章独立的本地化奖励池中随机解锁一个页面彩蛋；15 章的奖励主题各不相同。
启用 JavaScript 时，网站会在当前浏览器中维护学习状态：
| 功能 | 学习价值 |
|---|---|
| 断点续学 + 阅读进度 | 回到上次位置，长章节也不迷路 |
| 全文课程搜索 | 按主题、关键词或工程问题定位章节 |
| 错题复习 | 自动收集答错题目，答对后从下一轮移除 |
| 实验笔记 + Markdown 导出 | 用统一模板保留设备、版本、命令、实测与结论 |
| 阶段徽章 + 连续学习 | 把 15 天拆成清晰、可完成的里程碑 |
| 随机章节彩蛋 | 每次全对都有一份属于该章的小奖励 |
| 学习档案导入 / 导出 | 用经过校验的 JSON 在浏览器之间迁移进度、错题和笔记 |
| 完课纪念证书 | 15 章全部满分后解锁，可打印或保存为 PDF |
这些数据只使用版本化的 localStorage 键保存在当前浏览器：不上传、不追踪、不要求账号。你可以主动导出学习档案进行备份；清理站点数据仍会清除尚未导出的进度、错题和实验笔记。完课证书是基于本机记录生成的个人纪念，不是第三方可验证的资质证书。
GitHub 登录评论区使用 Giscus 和 GitHub Discussions；公开学习者墙与学习打卡暂未启用，后续设计记录见 学习打卡与公开学习者墙。